17 浏览第四章 研究设计
4.1 数据来源与样本选取
4.1.1 数据介绍（如 CHFS）
4.1.2 城镇样本筛选
4.1.3 收入分层方法（分位点法、中位数标准）
4.2 变量设定
4.2.1 被解释变量：互联网信贷使用/额度/频率
4.2.2 核心解释变量：家庭收入层级
4.2.3 控制变量：年龄、教育、家庭规模、资产结构、信用记录
4.2.4 中介变量：风险偏好、信用评分、数字支付使用程度
4.3 模型构建
4.3.1 Logit/Probit 模型：是否借贷
4.3.2 Tobit 模型：借贷规模
4.3.3 有序 Logit：借贷目的分层分析
4.3.4 分组回归：低收入组 vs 高收入组
4.3.5 交互项模型：收入×金融素养 / 收入×互联网使用
第五章 实证结果与分析
5.1 描述性统计
5.1.1 收入层级特征
5.1.2 各类互联网信贷指标对比
5.1.3 借贷目的分布对比
5.2 基准回归结果分析
5.2.1 财富分层对信贷使用的影响
5.2.2 与理论预期的比较分析
5.3 借贷目的的分层机制
5.3.1 低收入家庭：应急/生活支出
5.3.2 高收入家庭：消费升级/投资性借贷
5.4 网络信贷风险暴露分析
5.4.1 逾期风险差异
5.4.2 负债率与偿债压力
5.4.3 对家庭财务脆弱性的影响
5.5 异质性分析
5.5.1 按城市等级：省会/地级市/县城
5.5.2 按信用评分分组
5.5.3 按数字支付活跃度分组
5.6 稳健性检验
5.6.1 替换收入指标（可支配收入/总资产）
5.6.2 工具变量法
5.6.3 样本重新分组与极端值处理
第六章 结论与政策建议
6.1 主要结论
6.1.1 财富分层导致互联网信贷使用显著分化
6.1.2 借贷目的呈现明显阶层差异
6.1.3 低收入家庭风险暴露更高
6.1.4 财富与数字金融素养的交互影响突出
6.2 政策建议
6.2.1 完善对低收入家庭的普惠信贷支持
6.2.2 优化数字信贷风控模型，避免算法歧视
6.2.3 加强透明度建设与利率披露
6.2.4 提升低收入家庭数字金融素养
6.2.5 强化监管科技（RegTech）监测风险
6.3 研究不足与展望
6.3.1 数据限制
6.3.2 横截面研究对长期行为解释不足
6.3.3 可进一步结合平台级大数据研究
